Une nouvelle approche de recommandation hybride en se basant sur la matrice de factorisation contextuelle et les réseaux de neurones

Abstract

Le travail présenté dans ce mémoire se situe dans le domaine des systèmes de recommandation qui est devenu une méthodologie dominante dans la majorité des applications Web, ils apportent une solution au problème de surcharge d‟information et sont capables d‟estime l‟intérêt d‟un utilisateur pour une ressource donnée à partir de certaines informations relatives à d‟autres utilisateurs similaires et aux propriétés des ressources. Dans cette ligne, nous décrivons une nouvelle approche qui comprend conjointement une nouvelle représentation de la matrice de factorisation avec un ensemble d‟informations contextuelles concernant à la fois les utilisateurs et les produits, et un nouveau modèle de réseau neuronal qui prend en considération ces informations contextuelles en entrée. Dans notre approche nous utilisons une matrice de factorisation contextuelle construite de trois matrices singulières et un réseau de neurone pour prédire une recommandation à un utilisateur, puis nous hybridons les deux algorithmes par la technique pondérée afin de recommander à l‟utilisateur les top-N items pertinents. Nous présentons également, des fonctions de pondération des votes des informations contextuelles. L‟approche proposée a été évaluée expérimentalement en utilisant une collection de films movie streaming datasets iflix dont les informations contextuelles sont extraites de cette collection et enrichies (évaluées) par notre modèle. Les résultats montrent bien que la prise en compte du contexte dans les systèmes de recommandations augmente la pertinence des résultats retournés.